GENERADOR DE AUTOMATAS CELULARES

Cesar H. Rodriguez G.
Facultad de Ingeniera, programa de Ingeniera en Automatizacin. Universidad de La Salle.
Bogot. D.C. Colombia.
y
Jos A. Tumialan B.
Facultad de Ingeniera, programa de Ingeniera en Automatizacin. Universidad de La Salle.
Bogot. D.C. Colombia.
RESUMEN
Este artculo presenta el diseo, la implementacin y los
resultados obtenidos, de un generador de autmatas celulares
(GAC), implementado a travs de un algoritmo gentico (AG).
Se busca crear una herramienta que permita encontrar
Autmatas Celulares (AC) con caractersticas definidas segn la
aplicacin para la cual se requieran, en este caso, AC clase III,
dinmicos, cclicos y con el mayor periodo de vida posible.
Dentro de los resultados ms relevantes se destaca la
metodologa de sintonizacin de la bsqueda, basada en AG, y
el hecho de que recurrentemente fue hallado uno de los
Autmatas celulares con mayor periodo reportado, el Rpentonomio con un periodo de vida de 1103 generaciones.
Palabras clave: Autmatas Celulares, Algoritmos Genticos,
computacin Universal.
1. INTRODUCCION
En palabras de Stephen Wolfram, uno de los cientficos ms
prominentes en el estudio de los autmatas celulares, stos
pueden ser vistos como unidades de cmputo, donde los datos,
representados por las condiciones iniciales del entorno, son
procesados a travs de la evolucin temporal del ambiente. Los
autmatas celulares han sido objeto de un estudio riguroso, ya
que son una forma discreta de representar un mundo constituido
por sistemas dinmicos, cuyas interacciones crecen en orden
exponencial y por lo tanto son intratables, aun cuando sea
considerado solo un conjunto reducido de variables. En este
contexto el primer AC generalizado fue el juego de la vida,
Game Life, propuesto por el matemtico britnico John Conway
en 1960. Consiste en un mundo virtual donde elementos
unicelulares nacen y mueren. Este no es un juego propiamente
dicho donde dos competidores buscan un objetivo comn, y la
victoria de un jugador implica la derrota del adversario. El
juego de la vida es una retcula dinmica donde los elementos
discretos que existen en cada posicin pueden cambiar de
estado en funcin del contenido de las celdas vecinas, existen
diversas definiciones de vecindario de un elemento en la
cuadricula, pero el adoptado como modelo estndar es el de
Moore [1], ver figura 1. As, el nuevo estado del mundo cambia
bajo la aplicacin a cada posicin de la retcula de las leyes de
la vida o leyes de conway [2].

a)
b)
c)
d)
Figura 1 a),b) Vecindad Von Neumann y su variante. c)
Vecindad de Moore. d) Vecindad extendida de Moore.
Las reglas del juego de la vida obedecen a una mquina de
estados tipo Mealy como se muestra en el diagrama de estado
de la figura 2, all, un pixel del mundo se enciende o vive, si el
nmero de vecinos que tiene a su alrededor es igual a 3
(nacimiento); un pixel del mundo que est vivo en un instante
dado, sobrevivir si su nmero de vecinos es igual a 2 a 3
(supervivencia), en otro caso ste se apaga o muere (muerte).

Figura 2. Diagrama de estados del juego de la vida.

En general los AC se clasifican segn su dimensin y
sincrona, sin embargo desde los 1980s se empezaron a
clasificar por Wolfram, en Clase I, II, III y IV [6]. En la clase I
se encuentran aquellos AC que tienden a un estado esttico, la
clase II se caracterizan por exhibir comportamientos cclicos,
los de clase III, evolucionan de forma tal que describen formas
aleatorias, finalmente, los de clase IV reflejan como la vida
surge, presentan la ocurrencia de formas definidas que se
mueven e interactan en el entorno de evolucin.
Los autmatas celulares son de gran inters porque presentan
un nuevo paradigma de programacin, tal como se ha visto a lo
largo de la historia con el paso de la programacin en texto, a la
programacin orientada a eventos y posteriormente a la
programacin orientada a objetos. As, el siguiente paso del
desarrollo conceptual de la programacin podra encontrarse en
la computacin espacio temporal.
En [3] se ha demostrado como se es posible establecer un
smil entre los elementos estructurales del juego de la vida y la
mquina de Turing, se comprueba mediante la implementacin
de un algoritmo para la duplicacin de cadenas de unos y ceros,
que el juego de la vida es una mquina de Turing, esto quiere
decir que cualquier algoritmo es susceptible de ser
implementado en esta arquitectura. En [4] por su parte, se
presenta los fundamentos de la implementacin de las
compuertas universales, AND, OR y NOT, sobre las cuales es
posible implementar cualquier funcin booleana.
Existen trabajos sobre otras estructuras computables que pueden
ser implementadas sobre el juego de la vida [5], all se
demuestra la potencialidad de las redes neuronales celulares
RNC, como una mquina de Turing, ya que las RCN son
implementables en el juego de la vida. Otro enfoque en el
estudio de AC, son los estudios sobre como generar estrategias
de cmputo que emergen de la generacin de autmatas a travs
de AG, este trabajo abordado por Melanie [9], pretende
entender las reglas para la aparicin de inteligencia en sistemas
complejos.
Por otro lado, trabajos como el reportado en [1], muestran
como la arquitectura de los AC puede ser explotada en cuanto a
su facilidad para ser embebida en plataformas paralelas, se
presentan tres nuevos modelos AC sujetos a conjuntos de reglas
diferentes al juego de la vida: Espacio cclico, Mquina de
Hodepodge y Greenburg-Hasting.
Los autmatas que permitieron concebir la implementacin
de una mquina de Turing en un ambiente espacial de agentes
discretos, Autmatas Celulares clase IV, fueron en primer lugar,
los llamados gliders o planeadores, los que mostraron la nocin
de transferencia de informacin en el espacio, ya que se
asimilan a naves que viajan diagonalmente con un periodo de
cambio de cuatro formas y avanzan una celda cada dos
iteraciones. Ms adelante con la aparicin de autmatas

generadores de planeadores, gliders gun, se abri el horizonte a

la implementacin de funciones lgicas y estructuras de
computacin de instrucciones, maquinas de estados finitos.
Hay alrededor de 700 esquemas de AC reportados en [8].
Gracias a los comportamientos descritos en este compendio, la
implementacin de una maquina de Turing es posible, ya que si
sus elementos fundamentales estn presentes en el
comportamiento de algn autmata o en alguna interrelacin de
estos, la implementacin se hace factible.
Dado que los elementos constitutivos de una mquina de
Turing son AC clase III y Clase IV, se propone desarrollar una
herramienta capaz de generar AC con estas caractersticas, ya
que no existe definiciones matemticas para ello y se debe
realizar una bsqueda exhaustiva de todas las posibles
configuraciones a lo largo de un espacio discontinuo, para
efectos computacionales infinito, discreto y dinmico.
El desarrollo del Generador de AC, GAC, parte de una
implementacin desarrollada en lenguaje grfico, seccin II,
junto con el algoritmo de bsqueda basado en AG, seccin III, y
finalmente, la validacin de la herramienta a travs de una serie
de experimentos para sintonizacin del AG y corrida de la
bsqueda sobre AC de 6 por 6 clulas.
2. IMPLEMENTACIN DEL GENERADOR DE
AUTMATAS CELULARES (AC)
Como se ha visto, el descubrimiento de nuevos autmatas
celulares que muestren comportamientos no reportados, puede
inducir nuevas aplicaciones aun no exploradas. La bsqueda de
estas configuraciones es una tarea compleja, por cuanto no es
posible determinar heursticas que reduzcan el espacio de
bsqueda. El problema a resolver entonces, es la bsqueda de
soluciones en un ambiente discreto, dinmico y de dimensin
2n, donde n es el nmero de celdas que conforman el autmata
celular. Por ejemplo, si se decide buscar formas que estn
contenidas en una retcula de 5 X 5 celdas, tendremos
33554.432 posibles candidatos, solucin al problema.
Por este motivo, se implementa un algoritmo gentico para
efectuar la exploracin del espacio mediante bsqueda en
paralelo. El flujograma de la implementacin se observa en la
figura 3.
Inicio
PobIni=Crear poblacin de
genotipos(No genes, No
Individuos)
PobFenotipo=Conversin
genotipo-fenotipo(PobIni)

IndMasApto=Actualizacin
IndMasApto(IndMasApto_i
ter-1, IndMasApto)
IndMasApto_iter-1=
IndMasApto

completamente,

Figura 4. Conversin de una cadena binaria (Fenotipo) a su

representacin del Autmata celular (Genotipo).
La evolucin de una generacin consiste en La conversin de
cada AC codificado en un genotipo o cadena binaria, a su
correspondiente forma o fenotipo, como se muestra en la figura
4. A continuacin el AC es colocado en el mundo virtual del
juego de la vida, ver figura 5.

Figura 5. Mundo Virtual del juego de la vida. Implementacin

de una celda de memoria.
Una vez posicionado, se deja evolucionar para evaluar su
comportamiento. El flujograma que describe la evaluacin de
aptitud sobre el juego de la vida se muestra en la figura 6. As
mismo, el ndice de medicin utilizado o funcin de aptitud para
la valoracin viene dado por la siguiente expresin.
(1)
La primera parte de la ecuacin expresa la componente
esttica del Autmata, es la sumatoria de todos los pixeles
encendidos del autmata a lo largo de toda su evolucin, esta
sumatoria crecer si el AC sobrevive a la evolucin. La segunda
parte de la funcin de aptitud, representa el aspecto dinmico
del autmata, es la sumatoria de los pixeles que cambian de una
iteracin a otra consecutiva durante su evolucin, si el AC es
variante en el tiempo, y cambia de forma, este valor se
incrementa, de no ser as, dicho valor se acota.
Finalmente, con la aptitud de cada individuo medida con el
ndice descrito en la ecuacin 1, se opera el algoritmo gentico
para obtener nuevos Autmatas que sean posiblemente mejores
que sus antecesores.
Inicio

PobIni=PobN

AptPob=Evaluacin de aptitud
sobre el juego de la
vida(PobFenotipo)
IndMasApto=ExtraccinInd
MasApto(PobIni ,AptPob)

espacio de bsqueda, sin explorarlo

garantizando eficiencia computacional.

PobN=Algoritmo
Gentico(PobIni
,AptPob)
Iteracin< =No
de
generaciones?
AC= IndMasApto

Figura 3. Diagrama de flujo de la aplicacin: Generador de

Autmatas Celulares.
Este algoritmo implementado en lenguaje G, permite visualizar
el funcionamiento de la aplicacin como sigue. Inicialmente se
genera una poblacin aleatoria de individuos o genotipos,
candidatos a ser posibles autmatas celulares de inters, AC con
comportamiento cclico y perdurable a travs de la aplicacin
subsecuente de las leyes de Conway. A continuacin se permite
evolucionar la poblacin, un nmero preestablecido de
generaciones, para poder cubrir el mayor porcentaje posible del

Fenotipo=
PobFenotipo(iteracin)
FenotipoIni=Posicionar
Fenotipo (Fenotipo)
Fenotipo_Evolucion=Leyes
Conway(FenotipoIni)

FenotipoIni=
Fenotipo_Evolucion

AptE=AptitudEstat AptD=AptitudDinamica(Fenoti
ica(Fenotipo_Evol
po_Evolucion,
ucion,
Fenotipo_Evolucion-1,
AptE_evolucion-1)
AptD_evolucion-1)

Evolucion<=No
de Evoluciones?
Iteracin++
AptFenotipo(iter)=AptE+AptD

Iteracin<=No de
fenotipos?
AptPob=AptFenotipo

Figura 6. Algoritmo que implementa la evaluacin de aptitud

sobre el juego de la vida.
3. IMPLEMENTACIN DEL AG
Inicio
[Padre1,Padre2]=
SeleccinRuleta(Pob,AptPob)
[Hijo1, Hijo2]=cruce
(Padre1,Padre2)
[Hijom1,
Hijom2]=Mutacion (Hijo1, Iteracion++
Hijo2,ProbMutacion)

autmatas celulares de dimensin 6 X 6 clulas en un espacio

de bsqueda de 236=68.719476.736 posibles autmatas,
probando 1000.000 de probables configuraciones que exhiban
comportamiento cclico en el tiempo.
Experimento Variacin Paramtrica con Mutacin en un
Pixel.
En la figura 8, se muestra el valor de aptitud medido sobre
los autmatas que registraron la aptitud ms alta en la evolucin
de varias poblaciones para cada variacin paramtrica:
probabilidad de mutacin, nmero de poblaciones, nmero de
cromosomas y nmero de iteraciones de prueba.

PobSig(iter*2)=Hijom1;
PobSig(iter*2+1)=Hijom2

Iteracion<=No de
Genotipos/2?

PobN=PobSig

Figura 7. Implementacin del algoritmo gentico con seleccin

por ruleta, cruce por mascara y mutacin por umbral.
El esquema de la figura 7, muestra los procesos que sufren
los genotipos que han sido cuantificados en el juego de la vida
segn su ndice de aptitud. En primer lugar, de la poblacin
entrante al algoritmo, se seleccionan los mejores individuos
segn la tcnica de seleccin llamada ruleta [10], la cual
consiste en asignar nmeros de una ruleta a los genotipos en
proporcin a su aptitud, relativa a la poblacin donde existe el
individuo, a mayor ndice, mas nmeros en la ruleta, a
continuacin se genera un nmero aleatorio (lanzamiento de la
bolilla) y el individuo que posea el nmero ganador, ser el
escogido en el proceso. Hay que aclarar que siempre se eligen
dos padres, ya que son necesarios en pares para efectuar el
proceso de cruce. La reproduccin de la nueva generacin se
realiza a travs de una mscara de cruce, cadena del mismo
tamao del genotipo de un individuo, que determina que gen del
padre 1 o 2 es transmitido a su descendiente. Generados una
cantidad de hijos igual al tamao de la poblacin, termina el
algoritmo con la posibilidad de cambiar el genotipo de cada
nuevo individuo en uno de sus genes, en dependencia de si un
nmero aleatorio asociado a cada individuo, es menor que un
umbral pequeo o probabilidad de mutacin. Razn por la cual,
solo una pequea porcin de la nueva generacin es afectada.

Figura 8. Grfica de la aptitud ms alta de un autmata para

cada variacin sobre cada parmetro del experimento.
De la figura 8, se puede observar que el valor de aptitud ms
alta registrado por algn autmata celular en todo el
experimento es de 6000 unidades. La grfica de nmero de
iteraciones de prueba contra aptitud ms alta muestra un
comportamiento creciente como es de esperarse, ya que a mayor
nmero de iteraciones en la vida de un autmata cclico, mayor
ser su ndice de aptitud segn se explic en la ecuacin (1).
A continuacin en la figura 9 se muestra las grficas que
consolidan los resultados de variacin paramtrica en:
probabilidad de mutacin, nmero de poblaciones, nmero de
cromosomas y nmero de iteraciones de prueba.

a)

b)

4. PRUEBAS Y RESULTADOS
A continuacin se presentan los resultados de tres
experimentos: primero, variacin paramtrica para autmatas de
4 X 4 clulas, con mutacin en una posicin, segundo, igual que
el caso anterior pero con mutacin en mltiples posiciones
aleatorias, y tercero, bsqueda de autmatas de 6 X 6 clulas.
Los dos primeros experimentos son corridas donde se prueba
la incidencia de las variaciones en 4 parmetros del AG sobre
los resultados de la bsqueda. Se vara en su orden: la
probabilidad de mutacin, el nmero de poblaciones, el nmero
de cromosomas y el nmero de iteraciones de prueba, para el
clculo de la aptitud de los individuos. La probabilidad de
mutacin vara de 1/N a 1, en N pasos de magnitud 1/N. El
nmero de poblaciones, nmero de cromosomas y nmero de
iteraciones de prueba varia de 100/N a 100, en N pasos de
magnitud 100/N. Los valores por defecto cuando no se realiza
variacin sobre los parmetros son: nmero de cromosomas 25,
nmero de genes 16, nmero de poblaciones 50, probabilidad de
mutacin 0.3, nmero de iteraciones de prueba 50. Para estos
experimentos el nmero de variaciones correspondiente a N es
50.
El tercer experimento es una corrida donde se busca

c)
d)
Figura 9, Grficas de aptitud promedio vrs parmetro: a)
probabilidad de mutacin. b) nmero de poblaciones. c)
nmero de cromosomas. y d) nmero de iteraciones de prueba.
Del anlisis de las grficas anteriores, se puede obtener los
valores adecuados para los parmetros de configuracin del
algoritmo gentico, de tal forma que se alcance una mayor
eficiencia en la exploracin del espacio de bsqueda y mejores
resultados, es decir, autmatas celulares cclicos de alto periodo.
El rango de valores para cada parmetro se determina segn sea
alcanzado el valor mximo de aptitud promedio en el
experimento donde se varia el parmetro en estudio, es decir,
por ejemplo para el caso de variacin en la probabilidad de
mutacin, figura 9a, en el rango de 0 a 0.1 se observa que toda
corrida del AG despus del 20% de las iteraciones, alcanza
valores mximos de aptitud promedio.
Los valores as obtenidos para todos los parmetros variados
son: probabilidad de mutacin hasta 0.1 con fenotipos
excelentes y hasta 0.5 con fenotipos buenos; nmero de

poblaciones mayor a 40.

Para el ptimo del parmetro nmero de cromosomas se
observa la tendencia de la curva correspondiente en la figura 8,
y se toma el valor mnimo para el cual se ha alcanzado estado
estacionario, es decir, el valor de parmetro mnimo donde
algn fenotipo en la evolucin del AG alcanza el valor nominal
de 6000 unidades, para los parmetros por defecto del
experimento 1. Este comportamiento se halla en 20
cromosomas.
Por ltimo, el numero de iteraciones de prueba adecuado
para una corrida eficiente del AG es 50 iteraciones, ya que
como se observa en la figura 8 y 9d, el costo computacional es
aproximadamente lineal con el numero de iteraciones de prueba
y por tanto si se toma como parmetro un valor bajo, se corre el
riesgo que dos fenotipos, uno con ciclo mucho mayor a otro, por
no poder evolucionar por encima de un nmero de iteraciones
bajo, presenten igual valor de aptitud, o de otro lado, si el valor
del parmetro se fija muy alto, el tiempo de corrida se
incrementa inoficiosamente.
Los resultados de este experimento se pueden considerar
como un punto de partida para la adecuada escogencia de los
parmetros de configuracin de motor de bsqueda basado en
AG, y por tanto constituye una metodologa de sintonizacin.
Los resultados de la bsqueda en el primer experimento se
presentan a continuacin: En general se observaron tres
comportamientos terminales representativos asociados a
mltiples condiciones iniciales.
El primer comportamiento final mostrado en la figura 10, se
desencadena a partir del Autmata Celular 1, mostrado en la
figura 11.

Experimento Variacin paramtrica con mutacin por

mascara
Se repite el esquema del experimento anterior utilizando un
operador de mutacin diferente, mutacin por mascara de cruce.
Este cambio se realiza con el objetivo de lograr un mayor
cubrimiento en el espacio de bsqueda en bsqueda de mximos
mejores, autmatas cclicos de periodos mayores.

Figura 10. Estado final del autmata celular 1. Ciclo

transciente de 170 formas.

c)
d)
Figura 14, Grficas de aptitud promedio vrs parmetro: a)
probabilidad de mutacin. b) nmero de poblaciones. c)
nmero de cromosomas. y d) nmero de iteraciones de prueba.
El primer autmata generado en el segundo experimento ya
haba sido encontrado en el primero, sin embargo no se hallaron
tantos estados iniciales como en el caso anterior, los estados
iniciales encontrados haciendo referencia a la figura 11 fueron:
1, 2, 3, 4, 5, 6, 7, 11, 12, 13, 15, 16, 22, 23, 25, 27, 29, 30, 31,
36, 38, 39, 40, 41, 42, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57,
58, 59 y 60.

Figura 13. Grfica de la aptitud ms alta de un autmata para

cada variacin sobre cada parmetro del experimento.

a)

b)

Figura 11. Estados iniciales del autmata 1, experimento 1.

Los estados 40-41 son similares a B-heptomino, segn el
compendio reportado en [8], el estado 7 es similar a bullet
heptomino, los estados 11-26 son similares a E-heptomino, el
estado 6 es similar a hat y el estado 4 es igual a pi-heptomino.
No
autmata

Estado
inicial

Estado final

Observacin

Estado generador de
un glider, se produce
como resultado de la
corrida del AG para un
nmero de iteraciones
muy bajo, 6 periodos
de evolucin.
Figura 12. Autmatas experimento 1.

Figura 15. Otros estados iniciales asociados al autmata 1,

producto del experimento 2.
Los autmatas 2 y 3 tambin fueron encontrados, ms otras
configuraciones adicionales se muestran en la figura 16.
No
autmata

Estados
iniciales

Ciclo

No iteraciones
prueba

67

50

50

309

50

10

Slider

Estado final

111

10

16

10,12

11

81

16,20

12

62

18

13

51

22,26

Figura 16. Autmatas celulares obtenidos del experimento 2.

El nmero de iteraciones de prueba influencia enormemente
el comportamiento de los autmatas hallados como se aprecia
en la figura 16. En general a mayor sea el nmero de iteraciones
de prueba, mas cclicos y con mayor periodo de vida se
desarrollarn los AC encontrados.
Experimento bsqueda de autmatas de 6 X 6 con mutacin
por mscara.
La relacin de exploracin del espacio de bsqueda es de
aproximadamente 0,001%. La configuracin de los parmetros
para el experimento se determina a partir de los resultados de
los experimentos de variacin paramtrica. El nmero de
cromosomas es 100, el nmero de genes es 36, el nmero de
poblaciones es 10000, la probabilidad de mutacin 0.3, el
nmero de iteraciones de prueba 50.

Figura 17. Grficas de aptitud ms alta y promedio a lo largo

de toda una corrida de 5000 generaciones en busca de
autmatas de 6X6 clulas, para 50 iteraciones de prueba.
El experimento encontr el estado final del autmata celular
de los experimentos 1 y 2, dado que su espacio de bsqueda est
incluido en el actual experimento. Los estados iniciales se
presentan en la Figura 18.

Figura 18. Estados iniciales del autmata celular 1,

experimento 3.
No
Autmata

Estado Inicial

Estado Final

Aptitud
Dinmico

27878

Figura 19. Autmata celular 2, igual al encontrado en el

experimento 1 y 2.
Otras configuraciones cclicas y simtricas encontradas en el
experimento 3 se muestran en la Figura 20.

criptografa, tratada por wolfram, hasta el modelamiento de

eventos naturales como el crecimiento de bacterias [7], pero tal
vez su mayor inters se encuentra en la posibilidad de poder
ejecutar algoritmos, si se implementa una mquina de estados a
partir de los AC, clase IV, con los que se pueden construir las
funciones lgicas bsicas, y con las cuales posteriormente se
puede escalar a registros, unidades de control y caminos de
datos, que en suma constituyen la arquitectura de los
computadores actuales.
Se propone como trabajo futuro explorar la posibilidad de
buscar la mejor configuracin de reglas por bsqueda a travs
de AG para obtener versiones alternativas al juego de la vida.
Otro camino de exploracin se encuentra en la implementacin
de reglas que rijan el comportamiento de los AC como
relaciones difusas, las cuales se podran hacer evolucionar para
generar modelos ms cercanos a los contextos donde se quieran
utilizar los AC y metodologas de modelamiento de manera
intuitiva.
REFERENCIAS

Figura 20. Autmata celulares cclico-dinmicos producto de la

corrida del experimento 3.
5. CONCLUSIONES
Encontrar Autmatas celulares clase III y IV, ha sido una tarea
dispendiosa por tratarse de una bsqueda en un espacio
computacionalmente ilimitado, donde la dinmica de evolucin
no se determina a travs de ecuaciones fsicas, sino por
interaccin local segn una base de reglas.
El Generador de Autmatas Celulares GAC arrojo los
resultados esperados, se encontraron 23 configuraciones de AC
2D que mostraron un comportamiento dinmico, simtrico y
con periodos de vida significativos.
El proceso de sintonizacin de los parmetros del AG se abord
a travs de un experimento de variacin paramtrica, donde se
evalu la incidencia en el comportamiento de los AC obtenidos
ante cambios en la probabilidad de mutacin, el nmero de
poblaciones, el nmero de cromosomas y el nmero de
iteraciones de prueba.
El autmata celular 1 apareci recurrentemente como resultado
de todas las corridas del GAC, por lo que se le puede considerar
como un atractor fuerte en el juego de la vida.
Las aplicaciones de los AG clase III y IV van desde la

[1] Saldaa, Winfer C. Tabares, William Emmanuel S. Yu.

Parallel Implementations of Cellular Automata Algorithms on
the AGILA High Performance Computing System. Proceedings
of the International Symposium on Parallel Architectures,
Algorithms and Networks (ISPAN.02). 2002 IEEE
[2] Gardner, Martin. Mathematical Games. The fantastic
combinations of John Conway's new solitaire game "life".
Scientific American 223 (October 1970): 120-123.
[3] Rendell, Paul. A Turing Machine In Conway's Game Life.
Enero 2005.
[4] Renard, Jean Philippe. Implementation of logical functions
in the Game of Life.
[5] Kenneth R. Crounse and Leon 0. Chua.The CNN Universal
Machine is as Universal as a bring Machine. IEEE
Transactions on Circuits and Systems-I Fundamental Theory
and Applications, vol. 43, no. 4, April 1996.
[6] Schiff, Joel L. Cellular Automata, A Discrete view of the
World. A John Wiley & Sons, Inc., Publication. 2008.
[7] J. Ermentrout, G. B. and Edelstein-Keshet, L., Theor.
Cellular Automata approaches to biological modeling. Biol. 160
(1993), 97-133.
[8]
Silver,
Stephen.
Life
Lexicon.
http://www.argentum.freeserve.co.uk/lex_home.htm. 2006.
[9] Melanie M., Crutchfield J., Hraber P. Physica D: Nonlinear
Phenomena, Volume 75, Issues 1-3, 1 August 1994.
[10] A. Lourdes, C. Cervign. Algoritmos Evolutivos, un
enfoque prctico. Alfaomega, 2009.